La enfermedad de Alzheimer, un trastorno cerebral progresivo que afecta la memoria, el pensamiento y el comportamiento, ha comenzado a beneficiarse de los avances en el aprendizaje profundo. Sin embargo, la aplicación del aprendizaje profundo en medicina enfrenta el desafío de recursos limitados de datos para entrenar modelos. El aprendizaje por transferencia ofrece una solución al aprovechar modelos pre-entrenados de tareas similares, reduciendo los requisitos de datos y computacionales para lograr un alto rendimiento. Además, técnicas de aumento de datos, como rotación y escalado, ayudan a aumentar el tamaño del conjunto de datos. En este estudio, trabajamos con conjuntos de datos de resonancia magnética (MRI) y aplicamos varias técnicas de preprocesamiento y aumento que incluyen normalización de intensidad, registro afín, eliminación de cráneo, segmentación basada en entropía, volteo, zoom, desplazamiento y rotación para limpiar y expandir el conjunto de datos. Aplicamos el aprendizaje por transferencia a modelos pre-entrenados de alto rendimiento-ResNet-50, DenseNet-201, Xception, EfficientNetB0 e Inception V3, originalmente entrenados en ImageNet. Ajustamos estos modelos utilizando la técnica de extracción de características en datos aumentados. Además, implementamos técnicas de aprendizaje de conjunto, como apilamiento e impulso, para mejorar el rendimiento de la predicción final. La metodología novedosa que aplicamos logró una alta precisión (95%), sensibilidad (94%), puntuación F1 (95%) y precisión (95%) para la detección de la enfermedad de Alzheimer. En general, este estudio establece un marco robusto para aplicar el aprendizaje automático para diagnosticar el Alzheimer utilizando escaneos de MRI. La combinación de aprendizaje por transferencia, a través de redes neuronales pre-entrenadas ajustadas en un conjunto de datos procesado y aumentado, con aprendizaje de conjunto, ha demostrado ser altamente efectiva, marcando un avance significativo en diagnósticos médicos.